Durante una reazione chimica, le molecole guadagnano energia fino a raggiungere il cosiddetto stato di transizione, un punto di non ritorno da cui deve procedere la reazione. Questo stato è così fugace che è quasi impossibile osservarlo sperimentalmente.
Le strutture di questi stati di transizione possono essere calcolate utilizzando tecniche basate sulla chimica quantistica, ma questo processo richiede molto tempo. Un team di ricercatori del MIT ha ora sviluppato un approccio alternativo, basato sull'apprendimento automatico, in grado di calcolare queste strutture molto più rapidamente, entro pochi secondi.
Il loro nuovo modello potrebbe essere utilizzato per aiutare i chimici a progettare nuove reazioni e catalizzatori per generare prodotti utili come combustibili o farmaci, o per modellare reazioni chimiche naturali come quelle che avrebbero potuto contribuire a guidare l'evoluzione della vita sulla Terra.
"Sapere che la struttura dello stato di transizione è davvero importante come punto di partenza per pensare alla progettazione di catalizzatori o per comprendere come i sistemi naturali mettono in atto determinate trasformazioni", afferma Heather Kulik, professore associato di chimica e ingegneria chimica al MIT e autore senior dello studio. .
Chenru Duan, Ph.D. è l'autore principale di un articolo che descrive il lavoro, apparso oggi su Nature Computational Science . Anche lo studente laureato della Cornell University Yuanqi Du e lo studente laureato del MIT Haojun Jia sono autori dell'articolo.
Perché una reazione chimica possa avvenire, deve attraversare uno stato di transizione, che avviene quando raggiunge la soglia energetica necessaria affinché la reazione proceda. La probabilità che si verifichi una reazione chimica è in parte determinata dalla probabilità che si formi lo stato di transizione.
"Lo stato di transizione aiuta a determinare la probabilità che avvenga una trasformazione chimica. Se abbiamo qualcosa che non vogliamo, come l'anidride carbonica, e vorremmo convertirlo in un combustibile utile come il metanolo, lo stato di transizione stato e quanto questo sia favorevole determina la probabilità che avremo di passare dal reagente al prodotto", afferma Kulik.
I chimici possono calcolare gli stati di transizione utilizzando un metodo di chimica quantistica noto come teoria del funzionale della densità. Tuttavia, questo metodo richiede un'enorme quantità di potenza di calcolo e può richiedere molte ore o addirittura giorni per calcolare un solo stato di transizione.
Recentemente, alcuni ricercatori hanno provato a utilizzare modelli di apprendimento automatico per scoprire le strutture degli stati di transizione. Tuttavia, i modelli sviluppati finora richiedono di considerare due reagenti come un'unica entità in cui i reagenti mantengono lo stesso orientamento l'uno rispetto all'altro. Qualsiasi altro orientamento possibile deve essere modellato come reazioni separate, il che aumenta il tempo di calcolo.
"Se le molecole dei reagenti vengono ruotate, in linea di principio, prima e dopo questa rotazione possono ancora subire la stessa reazione chimica. Ma nell'approccio tradizionale di apprendimento automatico, il modello vedrà queste come due reazioni diverse. Ciò rende la macchina- l'apprendimento della formazione è molto più difficile e meno accurato", afferma Duan.
Il team del MIT ha sviluppato un nuovo approccio computazionale che ha permesso loro di rappresentare due reagenti in qualsiasi orientamento arbitrario l'uno rispetto all'altro, utilizzando un tipo di modello noto come modello di diffusione, che può apprendere quali tipi di processi hanno maggiori probabilità di generare un particolare risultato. Come dati di addestramento per il loro modello, i ricercatori hanno utilizzato strutture di reagenti, prodotti e stati di transizione calcolati utilizzando metodi di calcolo quantistico, per 9.000 diverse reazioni chimiche.
"Una volta che il modello apprende la distribuzione sottostante di come queste tre strutture coesistono, possiamo fornirgli nuovi reagenti e prodotti e proverà a generare una struttura di stato di transizione che si accoppia con tali reagenti e prodotti", afferma Duan.
I ricercatori hanno testato il loro modello su circa 1.000 reazioni mai viste prima, chiedendogli di generare 40 possibili soluzioni per ciascuno stato di transizione. Hanno quindi utilizzato un “modello di fiducia” per prevedere quali stati avevano maggiori probabilità di verificarsi. Queste soluzioni avevano una precisione di 0,08 angstrom (centomilionesimo di centimetro) rispetto alle strutture dello stato di transizione generate utilizzando tecniche quantistiche. L'intero processo computazionale richiede solo pochi secondi per ogni reazione.
"Potete immaginare che ciò si riduca davvero a pensare di generare migliaia di stati di transizione nel tempo che normalmente ne occorrerebbe per generarne solo una manciata con il metodo convenzionale", afferma Kulik.
Sebbene i ricercatori abbiano addestrato il loro modello principalmente su reazioni che coinvolgono composti con un numero relativamente piccolo di atomi (fino a 23 atomi per l'intero sistema), hanno scoperto che potrebbe anche fare previsioni accurate per reazioni che coinvolgono molecole più grandi.
"Anche se si considerano sistemi più grandi o sistemi catalizzati da enzimi, si ottiene una copertura abbastanza buona dei diversi tipi di modi in cui gli atomi hanno maggiori probabilità di riorganizzarsi", afferma Kulik.
I ricercatori ora pianificano di espandere il loro modello per incorporare altri componenti come i catalizzatori, che potrebbero aiutarli a studiare quanto un particolare catalizzatore potrebbe accelerare una reazione. Ciò potrebbe essere utile per sviluppare nuovi processi per la generazione di prodotti farmaceutici, combustibili o altri composti utili, soprattutto quando la sintesi coinvolge molti passaggi chimici.
"Tradizionalmente tutti questi calcoli vengono eseguiti con la chimica quantistica, ma ora siamo in grado di sostituire la parte relativa alla chimica quantistica con questo modello generativo veloce", afferma Duan.
Un'altra potenziale applicazione per questo tipo di modello è l'esplorazione delle interazioni che potrebbero verificarsi tra i gas presenti su altri pianeti o la modellazione delle semplici reazioni che potrebbero essersi verificate durante la prima evoluzione della vita sulla Terra, dicono i ricercatori.
Ulteriori informazioni: Generazione accurata dello stato di transizione con un modello di diffusione della reazione elementare equivariante in grado di riconoscere gli oggetti, Nature Computational Science (2023). DOI:10.1038/s43588-023-00563-7
Informazioni sul giornale: Scienze computazionali naturali
Fornito dal Massachusetts Institute of Technology
Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca, l'innovazione e l'insegnamento del MIT.
